论文部分内容阅读
互联网技术的飞速发展和数字图像设备的普及,使得大容量图像数据库在各种领域有了广泛应用,在一定程度上推动了图像数据库管理的发展。基于内容的图像检索技术(Content-based Image Retrival,CBIR)应运而生,其目的是快速有效地从庞大的图像数据库中查询出符合用户需求的相似图像。基于内容的图像检索是通过计算机自动完成图像的特征提取,根据图像特征(包括颜色、纹理、形状和空间位置关系等)向量的相似性匹配来检索相似的图像,涉及计算机视觉、图像处理、图像理解和模式识别等诸多领域,具有深远的研究意义和应用价值。
本文概要地介绍了基于内容的图像检索系统的框架模型以及应用领域,深入地分析和研究基于内容的图像检索的关键技术,包括图像颜色空间的转换,颜色特征、纹理特征以及形状特征的描述和提取,K均值聚类在图像检索系统中的应用,对特征向量的相似性度量以及检索系统的评价准则。
本文所做的主要工作如下:首先在特征提取方面,本文重点研究了图像的颜色特征、纹理特征以及形状特征的提取算法,为了更全面的描述图像的内容,系统采用综合特征作为图像的视觉特征,综合特征是通过对三种单一特征归一化处理后进行加权求和,涵盖了图像的颜色、纹理和形状信息。实验结果表明,基于综合特征加权的图像检索比单一特征的图像检索效果要好,提高了系统的查准率和查全率。在系统实现方面,本文在在传统的设计模块上增加了一个聚类筛选模块,通过改进K均值聚类算法使得改进后的算法能够自动获取K值,并使得改进的聚类算法很好的应用于本文设计的图像检索系统中。通过对图像库中的图像按照某种相似性准则进行聚类,将相似的图像聚集到一类,不同的图像归为不同的类别,有助于筛选掉一些与视觉感知不符的图像,通过过滤掉与示例图像不相干的图像,从而有效的提高图像检索的精度。实验结果表明,基于聚类的图像系统性能优于传统的检索系统,仿真结果证明了算法的有效性。本文利用Visual Studio2010作为开发工具,采用VC++设计并实现了一个基于聚类的图像检索系统,对文中所涉及的图像检索算法均进行了验证。